貝塔分布計算機

使用形狀參數 α 和 β 計算貝塔分布的機率。獲取 P(X ≤ x)、P(X ≥ x) 或 P(a ≤ X ≤ b)，包含互動式 PDF/CDF 圖表、陰影機率區域、逐步 MathJax 解法以及分布屬性（包括均值、變異數、眾數和偏度）。

貝塔分布計算機

貝塔分布計算機可計算機率、視覺化機率密度函數 (PDF) 和累積分布函數 (CDF)，並顯示貝塔分布 $X \sim \text{Beta}(\alpha, \beta)$ 的分布特性。輸入形狀參數 $\alpha$ 和 $\beta$ 以及值 $x \in [0, 1]$ 即可獲得 $P(X \leq x)$、$P(X \geq x)$ 或 $P(a \leq X \leq b)$，並附帶逐步解題過程、互動式圖表以及平均值、變異數、眾數和偏態等關鍵統計數據。

什麼是貝塔分布？

貝塔分布（Beta distribution）是在區間 $[0, 1]$ 上定義的連續機率分布，具有兩個正形狀參數 $\alpha$ (alpha) 和 $\beta$ (beta)。其機率密度函數 (PDF) 為：

$$f(x;\,\alpha,\beta) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}, \quad 0 \leq x \leq 1$$

其中 $B(\alpha,\beta) = \frac{\Gamma(\alpha)\,\Gamma(\beta)}{\Gamma(\alpha+\beta)}$ 是 貝塔函數。貝塔分布非常多樣化——通過改變 $\alpha$ 和 $\beta$，它可以模擬均勻、鐘形、U 形或 J 形分布，使其成為機率和統計學中最重要的分布之一。

關鍵特性

🔗

貝氏共軛

貝氏推論中白努利、二項式和幾何分布的共軛先驗分布。

🔄

多樣形狀

根據 α 和 β 的不同，可以模擬均勻、U 形、J 形和鐘形分布。

📏

有界支持

定義在 [0, 1] 上，是模擬機率、比例和速率的理想選擇。

⚖

對稱性

當 α = β 時，分布關於 0.5 對稱。否則則會偏斜。

形狀展示 — α 和 β 如何影響分布

貝塔分布根據其參數會呈現出截然不同的形狀：

均勻分布

α = 1, β = 1

對稱鐘形

α = 5, β = 5

J 形 (左偏)

α = 0.5, β = 2

U 形

α = 0.5, β = 0.5

公式

特性	公式	說明
PDF	$f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}$	x 處的機率密度
CDF	$F(x) = I_x(\alpha,\beta)$	正則化不完全貝塔函數
平均值	$\mu = \frac{\alpha}{\alpha+\beta}$	期望值
變異數	$\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}$	分布的離散程度
眾數	$\frac{\alpha-1}{\alpha+\beta-2}$ (若 α, β > 1)	最可能出現的值
偏態	$\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}$	不對稱性測量
貝塔函數	$B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}$	歸一化常數

貝氏詮釋

貝塔分布在 貝氏統計 中至關重要，因為它是白努利分布和二項分布的 共軛先驗分布。如果您對機率 $p$ 的先驗信念表示為 $\text{Beta}(\alpha, \beta)$，並且在 $n$ 次試驗中觀察到 $s$ 次成功，那麼您更新後的（後驗）信念為：

$$p \mid \text{data} \sim \text{Beta}(\alpha + s, \; \beta + n - s)$$

這種優雅的更新規則使貝塔分布成為模擬機率、轉化率、比例及類似 0 到 1 之間數值不確定性的預設選擇。常見的先驗選擇包括：

先驗名稱	參數	使用時機
均勻 (扁平)	Beta(1, 1)	無先驗資訊——所有機率可能性均等
傑弗里斯先驗	Beta(0.5, 0.5)	具有良好數學特性的無資訊先驗
霍爾丹先驗	Beta(0, 0) (非正規)	極大化無資訊——用於正式貝氏分析
弱資訊先驗	Beta(2, 2)	稍微偏好靠近 0.5 的值

現實世界應用

領域	X 模擬的內容	範例
A/B 測試	轉化率機率	估計兩個網站變體的點擊率
品質控制	次級品比例	模擬製造過程中的缺陷率
運動數據分析	獲勝機率 / 打擊率	估計棒球運動員的真實打擊率
保險業	索賠機率	模擬提出索賠的投保人比例
遺傳學	等位基因頻率	模擬群體中基因變異的頻率
機器學習	模型信心度	貝氏分類器中機率參數的先驗分布

貝塔分布 vs. 其他分布

特徵	貝塔分布	常態分布	均勻分布
支持集	[0, 1]	(−∞, +∞)	[a, b]
參數	α, β (形狀)	μ, σ (位置, 尺度)	a, b (端點)
形狀靈活性	極高 (鐘形, U, J, 扁平)	始終為鐘形	始終為扁平狀
最適用於	比例、機率	無界測量	等機率場景
貝氏用途	白努利分布的共軛先驗	常態分布 (已知 σ) 的共軛先驗	無資訊先驗

如何使用貝塔分布計算機

輸入形狀參數 α 和 β： 兩者都必須為正數。α 控制靠近 1 的權重，β 控制靠近 0 的權重。對於對稱分布，請設置 α = β。
選擇機率類型： 選擇 P(X ≤ x) 以獲得累積機率，選擇 P(X ≥ x) 以獲得生存機率，或選擇 P(a ≤ X ≤ b) 以獲得範圍機率。
輸入 x 值或範圍： 數值必須介於 0 和 1 之間。對於範圍機率，請同時輸入下限 a 和上限 b。
查看結果： 檢查機率結果、形狀分類標籤、帶有機率陰影區域的互動式 PDF 和 CDF 圖表、分布特性（平均值、變異數、眾數）以及完整的逐步解題過程。

常見問題 (FAQ)

什麼是貝塔分布？

貝塔分布是在區間 [0, 1] 上定義的連續機率分布，具有兩個形狀參數 alpha 和 beta。它非常多樣化，可以模擬比例、機率和速率。根據參數值的不同，它可以呈現多種形狀，包括鐘形、U 形、J 形或均勻分布。

形狀參數 alpha 和 beta 是什麼？

Alpha (α) 和 beta (β) 是控制分布形狀的正實數。當 alpha 等於 beta 時，分布在 0.5 周圍對稱。當 alpha 大於 beta 時，分布向 1 偏斜（左偏）。當 alpha 小於 beta 時，它向 0 偏斜（右偏）。當兩者都小於 1 時，分布呈現 U 形，且在兩個端點都有峰值。

貝塔分布在貝氏統計中如何使用？

貝塔分布是白努利分布和二項分布的共軛先驗分布。在貝氏推論中，如果您從機率參數的 Beta(α, β) 先驗開始，並在 n 次試驗中觀察到 s 次成功，則後驗分布為 Beta(α + s, β + n − s)。這使其成為模擬機率、轉化率、比例和類似介於 0 和 1 之間的數值不確定性的標準選擇。

貝塔分布與常態分布有什麼區別？

貝塔分布有 [0, 1] 的範圍限制，而常態分布跨越從負無限大到正無限大的所有實數。貝塔分布在形狀上靈活得多——它可以是 U 形、J 形、鐘形或扁平狀——而常態分布始終是鐘形。貝塔分布是模擬比例和機率的自然選擇，而常態分布最適用於無界的連續測量。

如何計算貝塔分布的 CDF？

貝塔分布的 CDF 是正則化不完全貝塔函數 I_x(α, β)，定義為 t^(α−1)(1−t)^(β−1) dt 從 0 到 x 的積分，除以貝塔函數 B(α, β)。對於一般的 α 和 β，此積分沒有封閉解，因此需要使用連分數演算法或級數展開進行數值計算。本計算機會自動處理這些計算。

引用此內容、頁面或工具為：

"貝塔分布計算機" 於 https://MiniWebtool.com/zh-tw/貝塔分布計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊製作。更新日期：2026-04-14

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

貝塔分布計算機